Forecasting en voorspellende modellen

Forecasting is voorspellen hoe een grootheid zich in de tijd ontwikkelt: de vraag per product, de verkoop per filiaal, het aantal opnames of de bezetting per dienst. De uitkomst is een forecast per periode, liefst met een bandbreedte.

Predictive analytics is breder: ook voorspellen per geval, zoals bij het St. Antonius of een patiënt wordt opgenomen. Beide horen bij onze AI-toepassingen. Gaat het om onderhoud aan machines, lees dan over predictive maintenance.

Historie per product, locatie en periode, liefst over meerdere seizoenen. Daarnaast alles wat de vraag verklaart en vooraf bekend is: acties, prijzen, openingstijden, Kerst, Pasen en schoolvakanties. Leg ook vast wanneer iets uitverkocht was, want dan was de vraag hoger dan de verkoop.

Persoonsgegevens heb je voor een vraagvoorspelling meestal niet nodig. Reken je toch per klant, let dan op: volgens de Autoriteit Persoonsgegevens is een gehasht klantnummer meestal nog een persoonsgegeven, en dan geldt de AVG.

De meetlat is een naïeve voorspelling, zoals dezelfde periode vorig jaar. Daarna komen statistische tijdreeksmodellen zoals exponential smoothing en (S)ARIMA(X), en waar het loont machine learning, bijvoorbeeld gradient boosting met LightGBM, of deep learning zoals DeepAR en LSTM. Voor onderdelen met veel perioden zonder vraag is er de methode van Croston.

Voor Rijkswaterstaat en de NGinfra-partners lieten we in een proof of concept zien dat we de impact van een brugopening op filevorming kunnen simuleren, met onder meer een LSTM-model en AIS-data van schepen.

Met een backtest: je laat het model voorspellen vanaf een moment in het verleden en vergelijkt met wat er daarna gebeurde, steeds opnieuw met een opschuivend startpunt. Zo gebruikt het model nooit gegevens uit de periode die het voorspelt.

Kijk naar meer dan de MAPE: die loopt vast bij perioden zonder vraag. De MASE vergelijkt met de naïeve voorspelling. En met Forecast Value Added zie je of elke stap, ook een aanpassing van de planner, iets toevoegt. Meer in ons blog over waarom je forecastmodel klopt, maar je voorraad niet.

Sales wil groei, finance kijkt terug en supply chain kiest voor zekerheid. Een datagedreven forecast is dan het gezamenlijke vertrekpunt; planners vullen aan met kennis die niet in de data zit en noteren waarom. Hoe dat in de praktijk werkt, lees je in ons blog over demand forecasting.

Voorspel je per product en per regio, dan moeten die getallen optellen tot het totaal. Dat heet hiërarchische forecasting: de niveaus worden op elkaar afgestemd, zodat inkoop en finance met dezelfde cijfers rekenen.

Niet met een tijdreeksmodel alleen, want er is geen reeks. Dan voorspel je op basis van vergelijkbare producten: hoe verliepen eerdere introducties in dezelfde categorie, prijsklasse of winkel? Gebruik daarbij meerdere vergelijkbare producten, niet één.

Zodra er verkoop binnenkomt, neemt het model het stap voor stap over. Leg vast welke analogieën je koos, dan zie je achteraf welke het best voorspelden.

Op Databricks traint AutoML forecasting statistische modellen en DeepAR, met de feestkalender van een land als extra invoer; het beste model komt in Unity Catalog en de voorspellingen in een Delta-tabel. In Microsoft Fabric kun je in notebooks of met AutoML onder meer Prophet, SARIMAX en LightGBM gebruiken en de uitkomst in Power BI tonen.

Na livegang volgen we de afwijking tussen forecast en werkelijkheid en hertrainen we bij drift. Dat regelen we met MLOps en beheer en doorontwikkeling.

Als de vraag stabiel is en dezelfde periode vorig jaar er al dichtbij zit, als er nauwelijks historie is, of als je niets kunt bijsturen omdat de levertijd langer is dan de horizon. Ook als je ERP of planningspakket een forecastmodule heeft die goed genoeg is.

Voor bestellingen per winkel hebben we Prediqt, voor verkoopvoorspelling en besteladvies. Is de data zelf het probleem, begin dan bij het data fundament. Wil je vooral zien wat er gebeurt, dan volstaat een dashboard.

Wil je eerst bureaus naast elkaar zetten? Bekijk ons overzicht van de beste forecasting bureaus.